반응형

IT 기술/인공지능 42

XAI(eXplainable AI)

Ⅰ. 설명 가능한 인공지능, XAI의 개요가. XAI의 개념- 인공지능 모델의 최종 결과물에 대해서 추론 과정과 원인에 대한 설명이 가능하도록 하여 사용자가 쉽게 이해할 수 있도록 하는 인공지능 기술 나. XAI의 등장 배경인공지능 영향력 확산- 국가의 경제성장 기여- 금융, 교통, 교육 등 전 분야 의사결정 지원인공지능 역기능 사례 증가- 블랙박스 모델에 의한 결과 해석 불가XAI로 문제 해결- 의사결정 투명성 확보- 공정성, 신뢰성 보장 Ⅱ. XAI 구현 기술구분세부 기술설명기존 학습모델변경 기술역 합성곱 신경망- 기존 학습 모델에 역산 과정 추가 및 수정추론 및 시각화- 합성곱 신경망의 학습 과정 역산으로 결과 영향 요소 추론 및 시각화새로운 학습모델기술확률적 AND-OR 그래프- 원인, 결과 도출..

초거대 AI

Ⅰ. 기존에 없던 답도 추론하는 초거대 AI의 개념- 사람의 뇌 구조를 모방해 방대한 자료를 스스로 학습하고 문제에 대한 답을 추론하는 수천억개 이상의 매개변수를 학습시킨 AI 모델  Ⅱ. 초거대 AI의 주요 구성요소구분구성 요소설명기술 측면알고리즘- 문제 해결을 위한 추론과 학습 능력컴퓨팅 파워- 방대한 양의 데이터 연산을 위한 컴퓨팅 파워데이터- 성능 향상을 위한 다양한 형태의 대규모 학습 데이터활용 측명보편적 지능- 인간 수준의 인지, 사고 능력 학습안정성- 사람이 제어할 수 있는 환경에서 신뢰성 있는 답 도출윤리기준- 인간 사회 가치, 윤리와의 부합성 등 Ⅲ. 주요 초거대 AI 기술기업모델설명OpenAIGPT - 3.5- 약 1750억개 파라미터- 텍스트 입력에 추론 언어 모델GPT - 4- 텍스..

RAG(Retrieval Augmented Generation)

Ⅰ. Hallucination 통제, RAG의 정의- 대큐모 언어 모델의 출력을 최적화하여 응답을 생성하기 전 외부 지식 베이스를 참조하여 LLM 모델의 정확성과 신뢰성 향상시키는 프로세스 Ⅱ. RAG의 개념도 및 절차가. RAG의 개념도 나. RAG의 절차구분절차설명검색 단계질문 임베딩- 사용자 입력 값 벡터 임베딩- 데이터 검색을 위해 자연어를 벡터로 표현유사성 검색- 지식 베이스에서 유사한 데이터 검색- 유사성이 높은 문서 목록 생성관련도 순위 결정- 가장 관련 높은 문서 순위 조정- 메타데이터 필터링으로 관련 없는 정보 제외생성 단계추론- 검색된 내용과 사용자 질문 바탕으로 프롬프트 구성프롬프트엔지니어링- 언어 모델이 검색된 정보 기반으로 질문에 답변할 수 있게 함응답 생성- 생성된 텍스트 문법 ..

sLLM

Ⅰ. sLLM 모델의 개요가. sLLM 모델의 개념 및 특징개념- LLM 모델의 컴퓨팅 파워 문제, 특정 산업 특화 한계 보완위해 파라미터 수를 대폭 줄인 비교적 크기가 작은 언어 모델특징- 100억개 이하 파라미터- 기존 LLM 모델 대비 작은 규모의 파라미터 학습- Fine Tuning- Fine Tuning을 통한 정확도 향상- 비용 절감- 모델 학습에 요구되는 데이터, 시간, 비용 절감- 신속한 구축- Fine Tuning을 통해 신속한 구축 가능 나. sLLM 모델의 등장배경구분등장배경설명기술적측면- 클라우드 플랫폼- 클라우드의 향상된 컴퓨팅 성능 활용- 모델 경량화- 모바일, IoT 등 저전력 장비에서 AI 학습- 트랜스포머 구조- 시계열 데이터에 대한 병렬처리로 빠른 학습 가능비즈니스측면- ..

딥페이크

Ⅰ. 딥페이크의 정의- 딥러닝을 이용하여 기존 영상에 다른 영상이나 이미지 정보를 합성하여 가짜 콘텐츠를 생성하는 기법(특징) GAN 기술을 활용하여 영상 합성하여 진위 식별이 어렵고 제작이 쉬움 Ⅱ. 딥페이크 생성절차 및 기술 요소가. 딥페이크 생성절차- 오토인코더로 특정 인물의 얼굴 생성 학습 후 GAN 이용하여 생성한 가짜 얼굴 합성 나. 딥페이크 기술 요소구분기술상세 설명학습 알고리즘GAN- 생성자와 판별자가 경쟁하며 학습- 생성자는 가짜 이미지 생성- 판별자는 가짜 이미지 판별생성 알고리즘Autoencoder- 입력 데이터 압축하고 이를 바탕으로 원본과 유사한 형태로 복원- 특정 인물 얼굴 학습 후 다른 인물 얼굴에 적용하여 합성이미지 보정가우시안 필터- 가우시안 필터 활용하여 더욱 정교한 이미..

어텐션 매커니즘

Ⅰ. 단어간 상관관계 집중, 어텐션 매커니즘의 개요가. 어텐션 매커니즘의 정의- 언어모델에서 디코더의 출력 단어를 예측하는 매시점에 예측해야 할 단어와 연관이 있는 입력 단어에 좀 더 집중하도록 구조화하는 방법 나 .어텐션 매커니즘 등장 배경RNN 기반 Seq2seq 모델 문제점- 하나의 고정된 크기의 벡터에 모든 정보를 압축하여 정보손실 발생- RNN의 고질적인 문제인 Vanishing Gradient Problem 존재- 입력 데이터가 길어질때 성능 저하를 보정하기 위한 방법이 어텐션 기법 Ⅱ. 어텐션 매커니즘의 원리와 계산 과정가. 어텐션 매커니즘의 원리- Attention Value는 쿼리와 키의 유사도를 구하고 이 유사도를 반영하여 Value(값)에 적용한 값- Attention Function..

인공신경망

Ⅰ. 인공신경망의 개념, 구성요소, 역할가. 인공신경망의 개념- 인간두뇌 세포를 모방하여 뉴런들의 상호작용과 경험을 통해 반복학습하는 과정을 모형화하는 분석 기법 나. 인공신경망 구성요소 및 역할구조구성요소역할input layer입력값- 모델 학습을 위한 학습 데이터hidden layer가중치- 활성화 함수의 입력값으로 사용되는 뉴런간 연결 계수활성화 함수- 임계값을 이용 뉴런의 활성화 여부를 결정하는 함수output layer출력값- 학습을 통해 도출된 결과값 Ⅱ. 피드포워드 뉴럴 네트워크 개념 및 절차가. 피드포워드 뉴럴 네트워크의 개념- 인공신경망의 최초의 가장 단순한 형태로 입력층에서 출력층으로 단 방향으로 진행하며 학습하는 모델 나. 피드포워드 뉴럴 네트워크 절차구분절차순전파1) 학습 데이터 입..

생성형 인공지능 위험성, 할루시네이션

Ⅰ. 생성형 인공지능 개념과 기술요소가. 생성형 인공지능의 개념- 이용자가 요구한 질물이나 과제 해결을 위해 스스로 데이터를 찾아 학습하고 능동적으로 결과물을 제시하는 진화한 인공지능 나. 생성형 인공지능의 기술 요소구분기술 요소설명데이터벡터 데이터베이스- AI 모델이 생성한 벡터를 저장하고 검색- AI 모델의 출력을 저장, 사용자가 쿼리 사용합성 데이터- 실제 데이터를 모방한 인공적으로 생성된 데이터- 실제 데이터 사용 불가능 시 주로 사용데이터 라벨링- 신뢰도 높은 모델 학습을 위한 데이터 라벨링모델기반 모델- 대규모 데이터셋 학습 가능한 범용 AI 모델- GPT3와 같은 대규모 언어 모델이 대표적모델 감독- AI 모델의 동작 모니터링 및 설명- AI 모델이 편향되지 않는지 감독 수행모델 안전성- 생..

하이퍼파라미터

Ⅰ. 효율적 학습을 위한 파라미터와 하이퍼파라미터 비교가. 파라미터와 하이퍼파라미터 개념 비교구분파라미터하이퍼파라미터개념주어진 데이터로부터 학습을 통해 모델 내부에서 결정되는 변수최적의 모델링을 위해 사용자가 직접 설정해주는 변수개념도- 파라미터는 모델에 의해 결정, 하이퍼파라미터는 휴리스틱 기반 직접 설정 나. 파라미터와 하이퍼파라미터 특징 비교구분파라미터하이퍼파라미터목적- 최적화된 딥러닝 모델 구현- 모델링 최적화 파라미터 값 도출생성 주체- 데이터를 학습한 모델이 생성- 사용자가 판단하여 직접 생성종류- 인공신경망 가중치- SVM에서 서포트 벡터- 선형회귀에서 결정계수- 학습률- 경사하강법 반복 횟수- 활성화 함수조정 여부- 파라미터 임의 조정 불가- 하이퍼파라미터 조정 가능- 하이퍼파라미터 튜닝을..

머신러닝 파이프라인

Ⅰ. 머신러닝 파이프라인의 개요가. 머신러닝 파이프라인의 개념- 데이터 수집부터 전처리, 학습 모델 배포, 예측까지 전 과정을 순차적으로 처리하도록설계된 머신러닝 아키텍처 나. 머신러닝 파이프라인의 필요성머신러닝 자동화: 머신러닝 모델 전 과정 지속 수행 위한 파이프라인 기반 자동화예측 정확성 향상: 내부 구조 이해를 통한 머신러닝 성능 향상지속적인 개선: 파이프라인을 통한 신규 데이터 재학습 및 모델 개선 Ⅱ. 머신러닝 파이프라인 데이터 처리 흐름 및 주요 활동가. 머신러닝 파이프라인 데이터 처리 흐름 나. 머신러닝 파이프라인 주요활동단계활동세부 설명데이터 수집ETL 적용- 기존 데이터 소스에서 데이터 수집- 다운로드 데이터, 데이터 소스 추출데이터 레이크- 다양한 Raw 데이터 실시간 수집, 전처리,..

반응형